University of Pennsylvania（宾夕法尼亚大学）

AgentPulse: A Continuous Multi-Signal Framework for Evaluating AI Agents in Deployment

AgentPulse：一个连续多信号框架用于评估AI代理在部署中的表现

Yuxuan Gao, Megan Wang, Yi Ling Yu

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学） ； OpenMesh AI 纠错

AI总结 本文提出AgentPulse框架，通过18种实时信号评估50个AI代理在10种工作负载中的表现，揭示部署中的采纳、维护和体验信息，强调其作为方法论而非真实排名的价值。

Comments 19 pages, 5 figures, 9 tables. Preprint under review

When PINNs Go Wrong: Pseudo-Time Stepping Against Spurious Solutions

当PINNs出错时：伪时间步长对抗虚假解

Sifan Wang, Shawn Koohy, Yiping Lu, Paris Perdikaris

机构 * Institute for Foundations of Data Science, Yale University（数据科学基础研究所，耶鲁大学） ； Department of Mechanical Engineering and Applied Mechanics, University of Pennsylvania（机械工程与应用力学系，宾夕法尼亚大学） ； Industrial Engineering & Management Science, Northwestern University（工业工程与管理科学，西北大学） 纠错

AI总结 本文探讨了PINNs在处理复杂问题时出现虚假解的原因，提出通过伪时间步长与重采样点结合来提高鲁棒性，并通过自适应步长策略提升准确性。

Comments 41 pages, 18 figures

When Corrective Hints Hurt: Prompt Design in Reasoner-Guided Repair of LLM Overcaution on Entailed Negations under OWL~2~DL

当纠正提示有害：在OWL~2~DL合规查询中LLM过度谨慎的修复提示设计

Yijiashun Qi, Xiang Xu, Yuxuan Li

机构 * University of Michigan Ann Arbor, MI, USA（密歇根大学安娜堡分校） ； ByteDance Inc. San Jose, CA, USA（字节跳动公司） ； University of Pennsylvania Philadelphia, PA, USA（宾夕法尼亚大学） 纠错

AI总结 研究发现提示设计对LLM在OWL~2~DL合规查询中的修复效果有显著影响，通过对比不同交互模式发现，基于推理器的修复方法在无提示时表现最佳，而带有提示的修复方法效果更差。

Comments accepted by icaide 2026

V-GRPO: Online Reinforcement Learning for Denoising Generative Models Is Easier than You Think

V-GRPO：去噪生成模型的在线强化学习比你想象的更容易

Bingda Tang, Yuhui Zhang, Xiaohan Wang, Jiayuan Mao, Ludwig Schmidt, Serena Yeung-Levy

机构 * Stanford University（斯坦福大学） ； Tsinghua University（清华大学） ； Amazon FAR（亚马逊FAR） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出V-GRPO方法，通过结合ELBO近似与GRPO算法，实现稳定高效的去噪生成模型在线强化学习，优于传统MDP方法，在文本到图像合成中取得最佳性能。